Drude, Where's My Charge? End-to-End Learning of Polarizable Drude Force Fields for Polymer Electrolytes

हमारे इलेक्ट्रिक वाहनों और पोर्टेबल उपकरणों को शक्ति देने वाली बैटरियां एक महत्वपूर्ण घटक पर निर्भर करती हैं: इलेक्ट्रोलाइट। पारंपरिक बैटरियों में, यह एक तरल पदार्थ होता है जो लिथियम आयनों को धनात्मक और ऋणात्मक इलेक्ट्रोडों के बीच आने-जाने की अनुमति देता है। हालांकि, तरल पदार्थ लीक हो सकते हैं, आग पकड़ सकते हैं या जम सकते हैं। वैज्ञानिक उन्हें ठोस पॉलीमर इलेक्ट्रोलाइट्स से बदलने के लिए उत्सुक हैं, जो अनिवार्य रूप से प्लास्टिक सामग्रियां हैं जो बिजली का संचालन करती हैं। ये ठोस अधिक सुरक्षा और स्थायित्व प्रदान करते हैं, लेकिन वे एक जिद्दी समस्या का सामना करते हैं: वे अक्सर आयनों को चलाने में बहुत धीमे होते हैं। बेहतर संस्करणों को डिजाइन करने के लिए, शोधकर्ता कंप्यूटर सिमुलेशन का उपयोग करते हैं ताकि यह देख सकें कि लिथियम आयन इन प्लास्टिक श्रृंखलाओं के माध्यम से कैसे चलते हैं। चुनौती यह है कि इन सिमुलेशन को वास्तव में आयनों के यात्रा करने को देखने के लिए सैकड़ों नैनोसेकंड तक चलना चाहिए, फिर भी उन्हें उन सूक्ष्म विद्युत बलों को पकड़ने के लिए पर्याप्त सटीक होना चाहिए जो आयनों का मार्गदर्शन करते हैं। यदि सिमुलेशन बहुत सरल है, तो यह भौतिकी को छोड़ देता है; यदि यह बहुत जटिल है, तो इसे चलाने में बहुत समय लगता है।

द दशकों से, मानक दृष्टिकोण एक सरलीकृत मॉडल का उपयोग करना रहा है जहाँ परमाणुओं को एक स्थिर विद्युत आवेश के साथ निश्चित बिंदुओं के रूप में माना जाता है। यह विधि तेज़ है, लेकिन यह एक महत्वपूर्ण वास्तविकता को अनदेखा करती है: जब एक आयन एक प्लास्टिक श्रृंखला के पास चलता है, तो प्लास्टिक में इलेक्ट्रॉन आयन की उपस्थिति के जवाब में थोड़ा विस्थापित होते हैं। इस बदलाव को ध्रुवीकरण (पोलराइजेशन) कहा जाता है, जो यह बदल देता है कि आयन प्लास्टिक से कितनी मजबूती से चिपका रहता है। इस प्रभाव को अनदेखा करने से होने वाली त्रुटियों को ठीक करने के लिए, वैज्ञानिक पारंपरिक रूप से एक जुगाड़ का उपयोग करते हैं: वे वास्तविक दुनिया के प्रयोगों से परिणामों को मिलाने के लिए अनुमानित कारक द्वारा आयनों के विद्युत आवेश को बस कम कर देते हैं। हालांकि यह ट्रिक एक विशिष्ट माप के लिए संख्याओं को सही दिखा सकती है, लेकिन यह अक्सर यह समझाने में विफल रहती है कि विभिन्न परिस्थितियों में आयन कैसा व्यवहार करते हैं।

एक नया अध्ययन इस समस्या को हल करने का एक अधिक ईमानदार तरीका पेश करता है। शोधकर्ताओं ने AutoDrude नामक एक प्रणाली विकसित की जो शुरुआत से ही बदलते इलेक्ट्रॉनों को शामिल करने वाला एक सिमुलेशन मॉडल स्वचालित रूप से बनाती है। चार्ज रिडक्शन फैक्टर का अनुमान लगाने के बजाय, यह प्रणाली उच्च-स्तरीय क्वांटम भौतिकी गणनाओं से सीधे खेल के नियमों को सीखती है। यह एक ऐसा मॉडल बनाता है जहाँ प्रत्येक परमाणु के साथ एक छोटा, गतिशील उपग्रह कण जुड़ा होता है। यह उपग्रह इलेक्ट्रॉन क्लाउड (इलेक्ट्रॉन मेघ) की विस्थापित होने की क्षमता का प्रतिनिधित्व करता है, जिससे परमाणु अपने पड़ोसियों के प्रति प्रतिक्रिया करने में सक्षम होता है। शोधकर्ताओं ने इसका परीक्षण पॉलीइथाइलीन ऑक्साइड के मिश्रण वाले एक सामान्य प्लास्टिक इलेक्ट्रोलाइट पर किया जिसमें लिथियम साल्ट मिला हुआ था। उन्होंने पाया कि यह नया, स्व-शिक्षण मॉडल बिना किसी मैनुअल ट्यूनिंग के, अत्यधिक सटीक अनुमान लगाने वाली विधियों के समान सटीकता के साथ बिजली के संचालन को सटीक रूप से बता सकता है। इससे भी महत्वपूर्ण बात यह है कि इसने सही ढंग से भविष्यवाणी की कि प्लास्टिक में नमक (साल्ट) की मात्रा बढ़ने पर आयनों की गति कैसे बदलती है, एक ऐसा विवरण जिसे पुराने, सरलीकृत मॉडल लगातार गलत बताते थे।

इस सफलता की कुंजी यह है कि शोधकर्ताओं ने कंप्यूटर को कैसे प्रशिक्षित किया। उन्होंने कंप्यूटर से केवल आयनों की अंतिम गति को मिलाने के लिए नहीं कहा; उन्होंने इसे क्वांटम मैकेनिक्स द्वारा गणना किए गए मौलिक बलों और ऊर्जा अवस्थाओं से मेल खाने के लिए कहा। AutoDrude प्रणाली अपने सिमुलेशन के मापदंडों को लाखों बार समायोजित करती है, अपने भविष्यवाणियों की तुलना इन सटीक क्वांटम बेंचमार्क से करती है। यह एक गणितीय तकनीक का उपयोग करता है जो कंप्यूटर को पूरी गणना के माध्यम से त्रुटियों का पता लगाने की अनुमति देती है, जिससे सिमुलेशन के नियमों को गलतियों को कम करने के लिए समायोजित किया जा सके। यह प्रक्रिया पिछले प्रयासों से अलग है जहाँ वैज्ञानिकों को विभिन्न प्रकार के परमाणुओं के लिए मॉडल के विशिष्ट हिस्सों को मैन्युअल रूप से ट्यून करना पड़ता था। यहाँ, सिस्टम पूरे पदार्थ के लिए एक साथ सही व्यवहार को समझ लेता है। परिणाम एक 'फोर्स फील्ड' है—परमाणुओं के बीच परस्पर क्रिया के नियमों का एक सेट—जो भौतिक रूप से यथार्थवादी भी है और आधुनिक ग्राफिक्स कार्ड पर लंबे सिमुलेशन चलाने के लिए पर्याप्त तेज़ भी है।

जब शोधकर्ताओं ने अपने सिमुलेशन चलाए, तो उन्होंने पाया कि नया मॉडल इलेक्ट्रोलाइट के भीतर बलों के नाजुक संतुलन को पकड़ता है। पुराने, सरलीकृत मॉडलों में, लिथियम आयन प्लास्टिक श्रृंखलाओं या नमक के ऋणात्मक आयनों से बहुत कसकर चिपकने लगते थे, जिससे ऐसे क्लस्टर बनते थे जो गति को रोक देते थे। नया मॉडल, इलेक्ट्रॉनों के विस्थापन को ध्यान में रखते हुए, यह दिखाता है कि ये आयन इन डेड-एंड क्लस्टर्स में फंसने की कम संभावना रखते हैं, विशेष रूप से जब नमक की सांद्रता कम होती है। यह व्यवहार उस चीज़ से मेल खाता है जो वास्तविक प्रयोगों में देखा जाता है। मॉडल ने सही ढंग से भविष्यवाणी की कि जैसे-जैसे अधिक नमक जोड़ा जाता है, आयनों के चलने का तरीका एक विशिष्ट, गैर-रैखिक तरीके से बदल जाता है। पुराने मॉडल, भले ही उन्हें कुल गति को सही करने के लिए ट्यून किया गया हो, इस बदलते पैटर्न को दोहराने में विफल रहे। उन्होंने भविष्यवाणी की कि आयन उस तरह से चलेंगे जो सामग्री के वास्तविक भौतिकी के विपरीत था।

अध्ययन ने यह भी रेखांकित किया कि हम इन सिमुलेशन को कैसे बनाते हैं, इसके बारे में एक आश्चर्यजनक सबक। शोधकर्ताओं ने पाया कि एक मॉडल जो क्वांटम भौतिकी डेटा को पूरी तरह से फिट करता है, वह हमेशा वास्तविक दुनिया के सही व्यवहार की ओर नहीं ले जाता है। उनके नए मॉडल का एक संस्करण, जिसे क्वांटम डेटा के साथ बहुत बारीकी से ट्यून किया गया था, ने वास्तव में भविष्यवाणी की कि सामग्री बिजली का संचालन वास्तविकता की तुलना में बहुत खराब करेगी। यह सुझाव देता है कि केवल क्वांटम गणनाओं से कच्चे नंबरों से मेल खाना पर्याप्त नहीं है; मॉडल को वास्तविक दुनिया में इलेक्ट्रॉनों के हिलने-डुलने के विशिष्ट प्रतिबंधों का भी सम्मान करना चाहिए। वह संस्करण जो सबसे अच्छा काम करता था, वह था जिसने अणुओं के आसपास के विद्युत क्षेत्र के सही आकार को सख्ती से लागू किया, भले ही इसका अर्थ यह था कि कच्चे ऊर्जा नंबर थोड़े कम सटीक थे। यह अंतर महत्वपूर्ण है: यह दिखाता है कि आयनों की परस्पर क्रिया के बड़े चित्र को प्राप्त करना हर छोटे ऊर्जा नंबर को बिल्कुल सटीक बनाने से अधिक महत्वपूर्ण है।

इस नए दृष्टिकोण की कम्प्यूटेशनल लागत आश्चर्यजनक रूप से कम है। पुराने, सरलीकृत तरीके की तुलना में चलते हुए इलेक्ट्रॉन उपग्रहों के साथ सिमुलेशन चलाने में केवल लगभग 20 प्रतिशत अधिक समय लगता है। यह छोटा सा मूल्य टैग बैटरी सामग्रियों को समझने के लिए आवश्यक लंबे, विस्तृत सिमुलेशन चलाने को संभव बनाता है। शोधकर्ताओं ने दिखाया कि उनका मॉडल सैकड़ों नैनोसेकंड तक चल सकता है, जो एक ऐसा समय पैमाना है जो आयनों के प्रसार और प्लास्टिक श्रृंखलाओं के रिलैक्स होने को देखने के लिए पर्याप्त लंबा है। यह गति नए पदार्थों की स्क्रीनिंग के लिए द्वार खोलती है। एक नए प्लास्टिक या साल्ट संयोजन के लिए मापदंडों को मैन्युअल रूप से ट्यून करने में वर्षों बिताने के बजाय, वैज्ञानिक अब इस स्वचालित प्रणाली का उपयोग एक अंश समय में एक विश्वसनीय मॉडल बनाने के लिए कर सकते हैं।

निष्कर्ष लंबे समय से चली आ रही इस धारणा को चुनौती देते हैं कि बेहतर बैटरी डिजाइन करने के लिए सरल, निश्चित-आवेश वाले मॉडल पर्याप्त हैं। जबकि उन मॉडलों को एक विशिष्ट प्रयोगात्मक परिणाम से मिलाने के लिए मजबूर किया जा सकता है, वे आयनों के एक साथ चलने की पूरी कहानी को पकड़ने में विफल रहते हैं। नया कार्य प्रदर्शित करता है कि ध्रुवीकरण की स्पष्ट प्रतिक्रिया को शामिल करना यह समझने के लिए आवश्यक है कि सामग्री विभिन्न परिस्थितियों में कैसे व्यवहार करती है। यह केवल गति को सही करने के बारे में नहीं है; यह तंत्र (मैकेनिज्म) को समझने के बारे में है। शोधकर्ता निष्कर्ष निकालते हैं कि अगली पीढ़ी की ठोस बैटरियों के लिए, हमें ऐसे मॉडलों की आवश्यकता है जो ध्रुवीकरण की भौतिकी का सम्मान करते हों। ऐसा करके, हम अनुमान लगाने से आगे बढ़ सकते हैं और ऐसी सामग्रियों को डिजाइन कर सकते हैं जो वास्तव में ऊर्जा के प्रवाह को अनुकूलित करती हैं, जिससे भविष्य के लिए सुरक्षित और अधिक कुशल बैटरियां बनती हैं।